Đánh giá lựa chọn phân phối

Mô phỏng Monte Carlo với Python

Izzy Weber

Curriculum Manager, DataCamp

Chọn phân phối xác suất cho biến

Hiểu trực quan dữ liệu và các phân phối xác suất có sẵn
Dùng Ước lượng Hợp lý Tối đa (MLE) để so sánh các phân phối ứng viên
Dùng kiểm định Kolmogorov–Smirnov để đánh giá mức độ phù hợp của phân phối
- Đo khoảng cách giữa phân phối thực nghiệm của dữ liệu và phân phối xác suất lý thuyết ứng viên
- Dùng scipy.stats.kstest() để tính

Đánh giá lựa chọn phân phối: tuổi

results = []

list_of_dists = ["laplace", "norm", "expon"]

for i in list_of_dists:
    dist = getattr(st, i)

    param = dist.fit(dia["age"])

    result = st.kstest(dia["age"], i, args=param)

    print(result)

Kết quả cho phân phối Laplace, chuẩn và mũ theo thứ tự đó:

KstestResult(statistic=0.09511179937112832, pvalue=0.0006239579389182981)
KstestResult(statistic=0.0615913626181368, pvalue=0.06703225234359811)
KstestResult(statistic=0.2536037941921312, pvalue=1.5202547969084796e-25)

Đánh giá lựa chọn phân phối: tuổi

Kết quả cho phân phối Laplace, chuẩn và mũ theo thứ tự đó:

KstestResult(statistic=0.09511179937112832, pvalue=0.0006239579389182981)
KstestResult(statistic=0.0615913626181368, pvalue=0.06703225234359811)
KstestResult(statistic=0.2536037941921312, pvalue=1.5202547969084796e-25)

Đánh giá lựa chọn phân phối: tc huyết thanh

results = []
list_of_dists = ["laplace", "norm", "expon"]

for i in list_of_dists:
    dist = getattr(st, i)
    param = dist.fit(dia["tc"])
    result = st.kstest(dia["tc"], i, args=param)
    print(result)

Kết quả cho phân phối Laplace, chuẩn và mũ theo thứ tự đó:

KstestResult(statistic=0.06435779928393615, pvalue=0.04915329841106708)
KstestResult(statistic=0.051165295747227724, pvalue=0.19085587687385897)
KstestResult(statistic=0.3318461436889846, pvalue=7.018486943525e-44)

Ayo berlatih!

Mô phỏng Monte Carlo với Python